Sie können dieses Modell im Werkzeug Pixel mit Deep Learning klassifizieren verwenden, das in der Toolbox "Image Analyst" in ArcGIS Pro verfügbar ist. Führen Sie die folgenden Schritte aus, um das Modell zum Segmentieren von Überschwemmungen in Bildern zu verwenden.
Empfohlene Bilddatenkonfiguration
Die folgende Bilddatenkonfiguration wird empfohlen:
- Bilddaten: Raster, Mosaik-Dataset oder Image-Service Das Raster sollte ein 6-Band-Komposit-Raster des Typs Harmonized Landsat 8 (HLSL30) oder Harmonized Sentinel 2 (HLSS30) sein. Das Modell kann auch mit Level-2-Produkten des Typs "Sentinel-2" und "Landsat 8" verwendet werden, funktioniert aber am besten mit HLSL30 und HLSS30.
Das Komposit-Raster sollte die folgenden Bänder enthalten: Blau, Grün, Rot, Narrow NIR, SWIR und SWIR 2.
Die jeweiligen Bandnummern für die oben genannten Bänder lauten wie folgt:
- Für HLSS30 und Sentinel-2: Band2, Band3, Band4, Band8A, Band11, Band12
- Für HLSL30 und Landsat 8: Band2, Band3, Band4, Band5, Band6, Band7
- Auflösung: 30 Meter
Verwenden des Modells
Führen Sie die folgenden Schritte aus, um die Überschwemmungen in den Bilddaten zu klassifizieren:
- Laden Sie das Modell Prithvi – Flood Segmentation herunter, und fügen Sie den Bilddaten-Layer in ArcGIS Pro hinzu.
- Zoomen Sie auf einen Interessenbereich.
- Navigieren Sie zu Werkzeuge auf der Registerkarte Analyse.
- Klicken Sie im Bereich Geoverarbeitung auf die Registerkarte Toolboxes, wählen Sie Image Analyst Tools aus, und navigieren Sie unter Deep Learning zum Werkzeug Pixel mit Deep Learning klassifizieren.
- Legen Sie die Variablen auf der Registerkarte Parameter wie folgt fest:
- Eingabe-Raster: Wählen Sie die Bilddaten aus.
- Ausgabe-Raster-Dataset: Legen Sie die Ausgabe-Feature-Class fest, die die Klassifizierungsergebnisse enthalten soll.
- Modelldefinition: Wählen Sie die .dlpk-Datei des vortrainierten oder optimierten Modells aus.
- Argumente (optional): Ändern Sie gegebenenfalls die Werte der Argumente.
- padding: Die Anzahl von Pixeln am Rahmen von Bildkacheln, aus denen Vorhersagen für benachbarte Kacheln verschmolzen werden. Erhöhen Sie den Wert, um die Ausgabe zu glätten und gleichzeitig Artefakte an den Kanten zu reduzieren. Der Maximalwert für Padding ist die Hälfte des Wertes für die Kachelgröße.
- batch_size: Die Anzahl der in den einzelnen Schritten der Modellinferenz verarbeiteten Kacheln. Dieser Wert hängt vom Speicher der Grafikkarte ab.
- test_time_augmentation: Führt beim Erstellen von Vorhersagen Test-Time Augmentation durch. Wenn "True" festgelegt ist, werden Vorhersagen für gekippte und gedrehte Varianten des Eingabebilds in der endgültigen Ausgabe zusammengeführt.
- predict_background: Wenn Sie "True" festlegen, wird auch die Hintergrundklasse klassifiziert.
- Legen Sie die Variablen auf der Registerkarte Umgebungen wie folgt fest:
- Verarbeitungsausdehnung: Wählen Sie Aktuelle Anzeigeausdehnung oder eine andere Option aus dem Dropdown-Menü aus.
- Zellengröße (erforderlich): Legen Sie den Wert auf 30 fest.
Die erwartete Raster-Auflösung ist 30 Meter.
- Prozessortyp: Wählen Sie CPU oder GPU aus.
Wenn eine GPU verfügbar ist, wird empfohlen, die Option GPU auszuwählen und mit GPU-ID die zu verwendende GPU anzugeben.
- Klicken Sie auf Ausführen.
Der Ausgabe-Layer wird der Karte hinzugefügt.
